熟練者しか判定できない微妙な不良は、その人の頭の中にしかない基準で成り立っています。退職までに何を残せば技能は組織の資産になるのか。AIに学習させる前に必要な「基準の見える化」から、現実的な手順を考えます。
結論から言えば、多くの現場で検査の判定基準が「文書」ではなく「特定の個人の経験」に宿っているため、その人の退職とともに基準ごと失われてしまう可能性があるからだと考えます。検査手順書は存在していても、微妙な不良の判定は「長年やってきた人の感覚」に依存しており、そこが言語化されていない、という状態は珍しくないと考えられます。
この課題は個社の努力不足というより、構造的な問題として捉えるべきだと考えます。製造業の熟練技能者の高齢化と人手不足は、多くの調査で共通して指摘されている社会的な傾向です（各種統計の最新値は所管省庁の公表資料でご確認ください）。判定できる人が一人、あるいは数人に集中しているほど、その人が抜けたときの影響は大きくなりうると考えます。
基準の言語化は、日々の生産を止めてまで取り組む対象になりにくく、後回しにされがちだと考えます。結果として、退職が具体的に見えてから着手し、時間切れになる——という順序をたどりやすいのが実態ではないでしょうか。技能継承にはタイムリミットがある、という前提で逆算する必要があると考えます。関連して熟練検査員の退職問題も併せて確認しておくと、着手の優先度を判断しやすくなると考えます。
もう一つの落とし穴は、基準を文書化しても現場で使われない、という形骸化です。実際の判定と乖離した手順書は参照されなくなり、結局また個人の感覚に戻ってしまう可能性があります。なぜ基準が使われなくなるのかについては検査基準が使われない理由で整理しています。
暗黙知とは、本人は正しく判断できるのに、その判断根拠を言葉やルールとして他者に説明しきれていない知識のことだと考えます。検査でいえば「これはOK、これはNG」という判定は下せるのに、「どこがどうだからNGなのか」を明示的な基準に落とせていない状態を指すと整理できると考えます。
検査の暗黙知は、大きく二層に分けて考えると扱いやすくなると考えます。一つは「何を見るか（着眼点）」、もう一つは「どこまでを許容するか（境界）」です。着眼点は比較的言語化しやすい一方、境界の判断——わずかな色ムラや微細な打痕をOKとするかNGとするか——こそが、ベテラン依存になりやすい核心だと考えられます。
すべてを一気に言語化しようとすると挫折しやすいと考えます。まず「着眼点」を洗い出し、次にその各着眼点について「明確にOK」「明確にNG」「判断が割れるグレーゾーン」の三つに仕分けると、残すべき情報の優先順位がつくと考えます。実務上の負荷が集中するのはグレーゾーンであり、ここに記録の労力を寄せるのが現実的だと考えます。
重要なのは、暗黙知の言語化はAIのためだけの作業ではない、という点だと考えます。基準が見えるようになること自体が、教育時間の短縮や判定のばらつき低減につながりうると考えます。育成の観点は検査員教育の時間短縮で補足しています。
結論として、最初に取り組むべきはAIの導入検討ではなく、限度見本と境界事例の整備だと考えます。判定基準が曖昧なまま画像を集めても、後述するように学習の土台が揺らぎ、ベテラン本人とも食い違う判定を再生産してしまう可能性があるからです。基準の見える化が、あらゆる自動化の前提になると考えます。
限度見本とは、合格と不合格の境目を示す実物または画像のサンプルのことだと考えます。多くの現場に良品見本はあっても、「これ以上は不合格」という限度を示す見本が不足していることがあると考えられます。良品だけでなく、ぎりぎり合格・ぎりぎり不合格の両側を対にして残すことで、境界の位置が具体物として共有できるようになると考えます。
見える化の質を最も高めるのは、複数人で見て判定が割れた現物だと考えます。割れたということは、そこに基準の曖昧さが露出しているからです。割れた品と、最終的にどちらに倒したか、その理由を一言でも添えて残すと、境界の判断根拠が蓄積されていくと考えます。この記録は、そのままAIの学習データの下地にもなりうると考えます。
こうした知識を個人ではなく組織に残す発想については暗黙知の継承とAIで掘り下げています。基準の見える化とデータ化は地続きであり、片方だけでは効果が限定的になりうると考えます。
結論として、手順は「基準の言語化 → 画像の収集 → アノテーション → 検証」という順序で組むのが現実的だと考えます。ここでアノテーションとは、集めた画像の一枚ずつに「OK/NG」やその根拠のラベルを付ける作業のことです。前工程の基準が曖昧だと後工程がすべて揺らぐため、順序を飛ばさないことが肝要だと考えます。
アノテーションで陥りやすいのが、担当者ごとに判定がぶれることだと考えます。これを避けるには、前段で作った限度見本と割れケースの記録を判定の拠り所とし、迷ったら誰に確認するかを決めておくのが有効だと考えます。ラベルの一貫性は、後段の学習の質を大きく左右しうると考えます。
明確な良品・不良ばかりを大量に集めても、肝心の境界の判断力は育ちにくいと考えます。むしろ、判断が割れる微妙な事例を優先的に集めることが、暗黙知のデータ化では効いてくると考えられます。境界のサンプルは自然発生しにくいため、日常検査の中で「これは残しておく」という運用ルールをあらかじめ決めておくとよいと考えます。
検査対象の見え方は、照明・アングル・レンズで大きく変わりうると考えます。データ化の前提として、実際の検査環境に近い条件で撮ることが重要だと考えます。ここは元キーエンス画像処理事業部の現場知見 × 産業用カメラ × 現場ライティングの領域であり、撮り方一つで残るデータの価値が変わりうると考えます。実装面の考え方はAI外観検査の観点も参考になると考えます。
結論として、現時点では完全な置き換えではなく、分業として設計するのが現実的だと考えます。明確な良品・不良は仕組みで拾い、判断が割れる境界だけを人が見る——という切り分けが、多くの現場で落としどころになりうると考えます。技能を完全に代替できると考えるのは、期待値の設定として危ういと考えます。
ここで用いる技術の一つがVLMだと考えます。VLM（Vision Language Model）とは、画像と言葉を結びつけて扱えるAIモデルのことです。従来の手法に比べ、「どこがどうだからNG」という言語的な基準と画像を対応づけやすい特性があると考えられますが、微妙な境界の判定を人並みに保証できるわけではなく、あくまで現物での検証が前提になると考えます。
仕組みで拾う方が向くのは、不良の定義が比較的はっきりしていて量が多く、人が見続けると疲労でばらつきが出やすい工程だと考えます。一方、人が見る方を残すべきなのは、判断が割れる境界事例や、前例のない不良、機能・安全に直結する最終判断だと考えます。この線引きを固定せず、運用しながら見直せる形にしておくことが重要だと考えます。
運用形態として、判定処理を工場内の機器で完結させるエッジという選択肢があると考えます。エッジとは、クラウドに送らず現場の端末側で処理する方式のことです。Jetsonのような産業用エッジ機器で処理すれば、画像を外部に出さずに運用しやすくなりうると考えます。ただし機器性能と処理内容の兼ね合いは、現物と現場条件での検証が前提になると考えます。
分業をうまく回すには、現場が自らデータを足し、基準を更新できる体制が要になると考えます。外部任せにし続けると、境界が変わったときに追随できなくなる可能性があります。現場が自走する体制づくりはAI人材育成・伴走研修の観点も併せて検討する価値があると考えます。
結論として、つまずきの多くは技術ではなく、基準と運用の設計に起因すると考えます。やってみないと分からない部分も正直に多いですが、事前に典型的な落とし穴を把握しておくことで、手戻りは減らせると考えます。以下は現場で起きやすいものを整理したものです。
結論として、最初の一歩は投資判断ではなく、現状の客観的な把握だと考えます。判定できる人が何人いて、どの品目のどの不良が個人依存になっているのか——ここを棚卸しするだけで、技能継承の緊急度と着手順が見えてくると考えます。いきなり大規模な仕組みを検討する前に、この把握を挟むことをおすすめします。
現実的な進め方は、対象を一品目・一工程に絞り、限度見本と割れケースの記録から始めることだと考えます。ここで得た境界の言語化とサンプルは、教育にも、将来のデータ化にも共通して効いてくると考えます。範囲を欲張らないことが、続けられる運用の条件になりうると考えます。
一工程で基準の見える化と分業の型ができたら、その型を他工程へ広げる、という順序が安全だと考えます。最初から全工程を一斉に変えようとすると、検証が追いつかず破綻しやすいと考えられます。効果や精度は現物・現場での検証が前提であり、数値は自社の条件で確かめることが不可欠だと考えます。
技能継承は、ベテランが在籍しているうちにしか着手できない性質を持つと考えます。完全な置き換えを目指すのではなく、失われる前に基準を見える化し、境界を組織の記録に残す——その積み重ねが、結果として人とAIの分業を支える土台になりうると考えます。
まずは判定が個人に依存している品目と不良を棚卸しし、限度見本と「判定が割れたケース」を記録することから始めるのがよいと考えます。AI導入の検討より前に、基準そのものを見える化する段階です。ベテランが在籍しているうちにしか境界の判断根拠は引き出せないため、着手の優先度は高いと考えます。
現時点では完全な再現・置き換えは難しいと考えます。明確な良品・不良は仕組みで拾い、判断が割れる境界は人が見る、という分業が現実的です。再現度は対象・不良の種類・撮影条件で大きく変わりうるため、具体的な精度は必ず自社の現物・現場での検証で確かめることが前提になると考えます。
限度見本がない状態からでも着手はできますが、まず合格・不合格の境目を示すサンプルを作ることをおすすめします。良品だけでなく、ぎりぎり合格とぎりぎり不合格を対で残すと、境界の位置が具体物として共有でき、後のデータ化やアノテーションの拠り所になりうると考えます。
工場内の機器で処理を完結させるエッジという方式を選べば、画像を外部に出さずに運用しやすくなりうると考えます。Jetsonのような産業用エッジ機器での処理が一例です。ただし機器性能と処理内容の兼ね合いがあるため、実際に成立するかは現物と現場条件での検証が前提になると考えます。
設備投資や人材育成、DX関連の公的支援制度が活用できる場合があると考えられますが、対象・要件・金額・公募時期は年度や制度で変わります。具体的な適用可否や金額は、所管省庁および各制度の最新の公表資料でご確認ください。制度の存在を前提に計画を固める前に、要件充足を確認することをおすすめします。
判定が個人に依存している工程の棚卸しと、限度見本・境界事例の残し方から一緒に整理できます。元キーエンス画像処理事業部の現場知見をふまえ、まずは自社の現物を客観的に把握するところから始めましょう。効果や精度は現物・現場での検証を前提にご提案します。
技能継承のデータ化について相談する